人工智能技术将信息技术与传统的水务事务相融合,推动着水务管理的智能化实现。水务数据的智能识别是智慧水务的基础和必备环节,目前,为了满足水务数据读取的实时性和安全性,边缘端水务数据的智能读取已经成为研究的主导。然而,深度神经网络模型在提升识别的性能同时,复杂的网络结构和庞大的计算量难以满足模型在边缘端的可移植需要。因此,为满足资源受限边缘端的部署条件,模型压缩算法已成为当前深度学习算法产品化研究的重点之一。本文针对SSD目标检测算法,在确保水务数据识别精度的基础上,从SSD模型的网络结构和参数量两方面依次开展模型压缩的算法研究,使其满足到边缘端的移植需要。主要研究内容如下:首先,对于SSD复杂的网络结构,提出了基于感受野和通道剪枝的结构化剪枝算法,在不损失识别性能的前提下精简网络结构。该算法从SSD的检测层入手,对用于训练和检测的数据分析,优化SSD网络的检测层,从深度上对网络进行压缩;然后通过卷积核剪枝对用于特征提取的主干网络进行剪枝,从宽度上对网络进行压缩;最后采用知识蒸馏的技术,进一步恢复剪枝后的网络的精度。通过实地采集自水表的数据集上的试验结果表明,算法在不损失原模型识别精度的前提下,对模型结构压缩比到73%左右,初步满足模型的在边缘端移植的需要。结构压缩后的SSD模型,依然存在大量的冗余参数和庞大的计算量。针对上述问题,进一步提出了基于精简网络运算单元和参数量化的模型压缩算法,通过精简网络的基本运算单元和低比特量化对SSD模型进一步压缩网络参数。通过实地采集自水表的数据集上的试验结果表明,压缩后的SSD模型在保证准确率的同时,将参数量压缩到19%左右,运算量降到20%左右,进一步满足模型在边缘端的可移植性。